Hierarchical Task Network Planning
|
|
- Helga Sternberg
- vor 5 Jahren
- Abrufe
Transkript
1 Total-Order Partial-Order Hierarchical Task Network Planning Thomas Lehmann Philipp Möller Institut für Informatik Universität Leipzig Seminarmodul Intelligente Systeme: Planen WS 2009/10
2 Gliederung Total-Order Partial-Order 1 2 Aufgaben und Methoden Probleme und Lösungen 3 Total-Order 4 Partial-Order 5 Definitionen Beispiel Planen Erweiterungen und Extended Goals
3 Total-Order Partial-Order Hierarchical Task Networks (HTN) Ansatz: Aufgaben durchführen (anstatt Ziele zu erreichen) HTN-Prinzip: rekursive Zerlegung komplexer Aufgaben in kleinere Unteraufgaben - bis einfache Aufgaben erreicht werden, die dann direkt ausgeführt werden können
4 Beispiel 1 Total-Order Partial-Order Abbildung: DWR-Problem, in welchem mehrere Container-Stapel an verschiedene Plätze bewegt werden sollen.
5 Total-Order Partial-Order Beispiel 1 (Fortsetzung) Aufgabe: Umstapeln der drei Stacks auf eine neue Position, wobei jedoch die Reihenfolge der Container beibehalten werden soll!
6 Total-Order Partial-Order Beispiel 1 (Fortsetzung) Informelle Beschreibung einer Lösung des Problems: Beförderung jedes Stapels zunächst auf die Zwischenposition (Umkehr der Reihenfolge) - danach Bewegung auf die Zielposition (Herstellung der ursprünglichen Reihenfolge) um Stapel von einer Position p zu einer Position q zu bewegen - mehrfaches Bewegen des jeweils obersten Containers von p zu q (solange bis Position p leer ist) für Bewegung des obersten Containers Verwendung des takebzw. put-operators der DWR-Domain
7 Total-Order Partial-Order Beispiel 1 (Fortsetzung) Informelle Beschreibung einer Lösung des Problems: Beförderung jedes Stapels zunächst auf die Zwischenposition (Umkehr der Reihenfolge) - danach Bewegung auf die Zielposition (Herstellung der ursprünglichen Reihenfolge) um Stapel von einer Position p zu einer Position q zu bewegen - mehrfaches Bewegen des jeweils obersten Containers von p zu q (solange bis Position p leer ist) für Bewegung des obersten Containers Verwendung des takebzw. put-operators der DWR-Domain
8 Total-Order Partial-Order Beispiel 1 (Fortsetzung) Informelle Beschreibung einer Lösung des Problems: Beförderung jedes Stapels zunächst auf die Zwischenposition (Umkehr der Reihenfolge) - danach Bewegung auf die Zielposition (Herstellung der ursprünglichen Reihenfolge) um Stapel von einer Position p zu einer Position q zu bewegen - mehrfaches Bewegen des jeweils obersten Containers von p zu q (solange bis Position p leer ist) für Bewegung des obersten Containers Verwendung des takebzw. put-operators der DWR-Domain
9 Total-Order Partial-Order Aufgaben und Methoden Probleme und Lösungen Simple Task Network (STN) Planning Spezialfall des dabei sind Zustände und Operatoren (states and operators) genauso wie beim classical planning definiert zusätzlich gibt es noch tasks, methods und task networks
10 Tasks (Aufgaben) Total-Order Partial-Order Aufgaben und Methoden Probleme und Lösungen Definition (Task) Ein Task ist ein Ausdruck der Form t(r 1,...,r n ) mit: t ist das task symbol, wobei man zwischen Operator-Symbolen (primitive) und Methoden-Symbolen (nonprimitive) unterscheidet, jedes r i bezeichnet einen Term.
11 Tasks Networks Total-Order Partial-Order Aufgaben und Methoden Probleme und Lösungen Definition (Simple Task Network) Ein Simple Task Network ist ein azyklischer, gerichteter Graph w = (U,E) mit: U ist die Menge der Knoten, wobei jeder Knoten einen Task t u enthält, E ist die Menge der Kanten, welche eine partielle Ordnung der Knoten festlegen.
12 Total-Order Partial-Order Beispiel (Simple Task Network) Aufgaben und Methoden Probleme und Lösungen In einer DWR-Domain gibt es drei Tasks: t 1 = take(cran2,loc1,c1,c2,p1) t 2 = put(cran2,loc2,c3,c4,p2) t 3 = move-stack(p1,q) (primitive task), (primitive task), (nonprimitive task), und zwei Task Networks ( Knoten u i gilt t ui = t i ): w 1 = ({u 1, u 2, u 3 }, {(u 1, u 2 ), (u 2, u 3 )}), w 2 = ({u 1, u 2 }, {(u 1, u 2 )}). Da w 2 total geordnet ist, schreibt man auch w 2 = t 1, t 2. Wenn w 2 auch ground und primitive ist, entspricht dies dem Plan π = take(cran2,loc1,c1,c2,p1),put(cran2,loc2,c3,c4,p2).
13 Total-Order Partial-Order Methods (Methoden) Aufgaben und Methoden Probleme und Lösungen Definition (STN-Methode) Eine STN-Methode ist ein 4-Tupel mit: m=(name(m),task(m),precond(m),network(m)) name(m): der Name der Methode, z.b. ein Ausdruck der Form n(x 1,...,x n ), wobei n ein eindeutiges Methoden-Symbol ist und x 1,...,x n die Parameter von n sind, task(m): ein nonprimitive Task, precond(m): Vorbedingungen der Methode, network(m): Task-Network mit den Unteraufgaben von m.
14 Total-Order Partial-Order Methoden für Beispiel 1 Aufgaben und Methoden Probleme und Lösungen
15 Total-Order Partial-Order Methods (Fortsetzung) Aufgaben und Methoden Probleme und Lösungen Definition (Anwendbare Methode) Eine Methode m ist anwendbar in einem Zustand s, wenn gilt: precond + (m) s und precond (m) s = Ø. Definition (Passende Methode) Sei t ein Task und m eine Methode. m ist dann passend für t, wenn es eine Substitution σ gibt, so dass gilt σ(t) = task(m). Die Ersetzung von t durch m unter σ ist δ(t,m,σ) = network(m). Wenn m total geordnet ist, können wir auch schreiben δ(t,m,σ) = subtasks(m).
16 Total-Order Partial-Order Beispiel (Methodenanwendung) Aufgaben und Methoden Probleme und Lösungen Ausgangszustand s entspricht dem Beispiel 1, t ist der nonprimitive task move-stack(p1a,q) und m ist die Methode recursivemove(p1a,p1b,c11,c12) dann ist m anwendbar in s und passend für t (wenn q durch p1b ersetzt wird) t wird in folgende subtasks zerlegt: δ(t,m,σ) = move-topmost-container(p1a,p1b),move stack(p1a,p1b)
17 Total-Order Partial-Order Domain Aufgaben und Methoden Probleme und Lösungen Definition ( Domain) Eine Domain ist ein Paar mit: D = (O,M) O ist eine Menge von Operatoren, M ist eine Menge von Methoden. D ist eine Total-Order Planning Domain, wenn jedes m M total geordnet ist.
18 Total-Order Partial-Order Problem Aufgaben und Methoden Probleme und Lösungen Definition ( Problem) Ein Problem ist ein 4-Tupel mit: s 0 ist der Ausgangszustand, P = (s 0,w,O,M) w ist ein task network (initial task network), D = (O,M) ist eine Domain. P ist ein Total-order Planning Problem, wenn w und D total geordnet sind.
19 Total-Order Partial-Order Lösung eines Planungsproblems Aufgaben und Methoden Probleme und Lösungen Definition (Solution Plan) Sei P = (s 0,w,O,M) ein Planungsproblem. Dann gibt es 3 Fälle, in welchen ein Plan π = a 1,...,a n eine Lösung für P ist: Case 1: w ist leer. Dann ist π eine Lösung für P, wenn π leer ist, Case 2: Es gibt einen primitive task node u w, der keinen Vorgänger in w besitzt. Dann ist π eine Lösung für P, wenn a 1 anwendbar auf t u in s 0 ist und der Plan π = a 2,..., a n eine Lösung für das Planungsproblem P ist: P = (γ(s 0, a 1), w {u}, O, M), Case 3: Es gibt einen nonprimitive task node u w, der keinen Vorgänger besitzt in w, und es existiert eine Methode m, die passend für t u und in s 0 anwendbar ist. Dann ist π eine Lösung für P, wenn es ein Task Network w δ(w,u,m,σ) gibt, so dass π eine Lösung für (s 0,w,O,M) ist.
20 Total-Order Partial-Order Beispiel (Solution Plan) Aufgaben und Methoden Probleme und Lösungen Sei P ein Planungsproblem mit dem Ausgangszustand s 0, dem Task w = move-stack(p1a,p1b), unter Verwendung der bekannten DWR-Operatoren und der vorhin definierten Methoden. Dann gibt es nur einen möglichen Lösungsplan für P: π = take(crane1,l1a,c11,c12,p1a), put(crane1,l1b,c11,pallet,p1b), take(crane1,l1a,c12,pallet,p1a), put(crane1,l1b,c12,c11,p1b)
21 Total-Order Partial-Order Zerlegungs-Baum für Lösungsplan π Aufgaben und Methoden Probleme und Lösungen
22 Total-Order Partial-Order TFD (Total-order Forward Decomposition)
23 Total-Order Partial-Order TFD Vergleiche Wie Vorwärtsplaner beachtet TFD nur Aktionen, deren Vorbedingungen im aktuellen Zustand erfüllt sind. Außerdem werden, wie bei Rückwärtsplanern, nur Aktionen berücksichtigt, die nützlich sind, um das Ziel zu erreichen. Diese Kombination führt zu einer enormen Leistungssteigerung der Suche. Wie Vorwärtsplaner erzeugt TFD nur Aktionen in der Reihenfolge, wie sie ausgeführt werden, d.h. TFD weiß immer über den aktuellen Zustand Bescheid.
24 Total-Order Partial-Order Partial-Order Warum lohnt es sich Partial-Order Planning zu untersuchen?» weil nicht alle Planungsprobleme so einfach in Total-Order Planning umgeschrieben werden können! aber ein erweiterter Algorithmus wird benötigt der Plan legt die Reihenfolge, in welcher die tasks ausgeführt werden müssen, nur teilweise fest
25 Beispiel 2 Total-Order Partial-Order Abbildung: Ausgangszustand für ein DWR-Problem, in welchem zwei Container an eine andere Position bewegt werden sollen.
26 Total-Order Partial-Order Methoden für Beispiel 2
27 Total-Order Partial-Order Methoden für Beispiel 2 (Fortsetzung)
28 Total-Order Partial-Order Überlappender Baum für Beispiel 2 (Fortsetzung) Abbildung: Die subtasks der Wurzel sind ungeordnet und deren subtasks überlappen sich. Solche Bäume können bei Total-Order Planning nicht auftreten.
29 Total-Order Partial-Order Nicht-Überlappender Baum für Beispiel 2 (Fortsetzung) Abbildung: Um einen total geordneten Baum zu erhalten, ist es notwendig total geordnete Methoden zu entwerfen.
30 Total-Order Partial-Order PFD (Partial-order Forward Decomposition)
31 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals STN: STN Constraints: Ordnung und Vorbedingung nur TFD oder PFD HTN: HTN generalisiert STN unerfüllte Constraints explizit im Graphen ausgedrückt mehr als nur TFD oder PFD möglich
32 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Definition (Task Network) Ein task network ist ein Tupel w = (U, C), U ist eine Menge von task nodes und C ist eine Menge von Constraints. Mögliche Constraints: precedence: u v before: before(u, l), mit U U und l ist Literal after between
33 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Definition (Task Network) Ein task network ist ein Tupel w = (U, C), U ist eine Menge von task nodes und C ist eine Menge von Constraints. Mögliche Constraints: precedence: u v before: before(u, l), mit U U und l ist Literal after between
34 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Definition (HTN Methode) Eine HTN Methode ist ein 4-Tupel m = (name(m), task(m), subtasks(m), constr(m)) name(m) ist ein Ausdruck der Form: n(x 1,..., x k ), wobei n ein einzigartiges Methodensymbol ist und x 1,...x k alle Variablensymbole sind, die in m auftreten. task(m) ist ein nicht-primitive task. (subtasks(m), constr(m)) ist ein task network.
35 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Eine Instanz m zerlegt ein task network w = (U, C) mit u U und den, zu u und m gehörigen, Task t u in subtasks(m ) und produziert das task network: δ(w, u, m) = ((U {u}) subtasks(m ), C const(m )) wobei C aus C erhalten wird durch: Für jedes precedence constraint, das u beinhaltet, ersetze es mit precedence contraints, welche die Knoten von subtasks(m ) enthalten. Bsp.: subtasks(m ) = {u 1, u 2 }, ersetze u v mit u 1 v und u 2 v Für jedes before-, after, oder between constraint, in dem eine Menge von task nodes U, die u enthalten, vorkommt, ersetze U mit (U {u}) subtasks(m ). Bsp.: subtasks(m ) = {u 1, u 2 }, ersetze before({u, v}, l) mit before({u 1, u 2, v}, l).
36 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals transfer2 transfer2(c 1, c 2, l 1, l 2, r);; move C1 and C2 from p1 to p2 task: transfer-two-containers(c 1, c2, l 1, l 2, r) subtasks: u 1 = transfer-one-container(c 1, l 1, l 2, r), u 2 = transfer-one-container(c 2, l 1, l 2, r) constr: u 1 u 2 transfer1 transfer1(c, l 1, l 2, r);; transfer c task: transfer-one-container(c, l 1, l 2, r) subtasks: u 1 = setup(c, r), u 2 = move robot(r, l1, l2), u 3 = finish(c, r) constr: u 1 u 2, u 2 u 3
37 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals transfer2 transfer2(c 1, c 2, l 1, l 2, r);; move C1 and C2 from p1 to p2 task: transfer-two-containers(c 1, c2, l 1, l 2, r) subtasks: u 1 = transfer-one-container(c 1, l 1, l 2, r), u 2 = transfer-one-container(c 2, l 1, l 2, r) constr: u 1 u 2 transfer1 transfer1(c, l 1, l 2, r);; transfer c task: transfer-one-container(c, l 1, l 2, r) subtasks: u 1 = setup(c, r), u 2 = move robot(r, l1, l2), u 3 = finish(c, r) constr: u 1 u 2, u 2 u 3
38 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Beispieldekomposition task network w 1 = ({u}, ), mit t u = transfer-two-containers(c1, c2, l1, l2, r1) anwenden von transfer2 auf u liefert w 2 = ({u 1, u 2 }, ), mit t u1 = transfer-one-container(c1, l1, l2, r1) und t u2 = transfer-one-container(c2). anwenden von transfer1 liefert w 3 = ({u 2, u 3, u 4, u 5 }, C 3 ), mit t u3 = setup(c1), t u4 = get-r1-to-p2(), t u5 = finish(c1) und C 3 = {u 3 u 4, u 4 u 5 }.
39 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Beispieldekomposition task network w 1 = ({u}, ), mit t u = transfer-two-containers(c1, c2, l1, l2, r1) anwenden von transfer2 auf u liefert w 2 = ({u 1, u 2 }, ), mit t u1 = transfer-one-container(c1, l1, l2, r1) und t u2 = transfer-one-container(c2). anwenden von transfer1 liefert w 3 = ({u 2, u 3, u 4, u 5 }, C 3 ), mit t u3 = setup(c1), t u4 = get-r1-to-p2(), t u5 = finish(c1) und C 3 = {u 3 u 4, u 4 u 5 }.
40 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Beispieldekomposition task network w 1 = ({u}, ), mit t u = transfer-two-containers(c1, c2, l1, l2, r1) anwenden von transfer2 auf u liefert w 2 = ({u 1, u 2 }, ), mit t u1 = transfer-one-container(c1, l1, l2, r1) und t u2 = transfer-one-container(c2). anwenden von transfer1 liefert w 3 = ({u 2, u 3, u 4, u 5 }, C 3 ), mit t u3 = setup(c1), t u4 = get-r1-to-p2(), t u5 = finish(c1) und C 3 = {u 3 u 4, u 4 u 5 }.
41 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Falls w = (U, C) primitiv ist, ist ein Plan π eine Lösung, falls: So dass: es existiert eine "ground instance"(u, C ) von (U, C) es existiert eine totale Ordnung u 1, u 2,..., u k Aktionen in π sind von den Knoten genannt π ist ausführbar in s 0 precedence, before, after und between constraints werden von der Ordnung erfüllt Falls w = (U, C) nicht primitiv ist, dann ist π eine Lösung, falls eine Sequenz von Dekompositionen existiert, so dass π eine Lösung für das entstandene primitive task network ist.
42 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Falls w = (U, C) primitiv ist, ist ein Plan π eine Lösung, falls: So dass: es existiert eine "ground instance"(u, C ) von (U, C) es existiert eine totale Ordnung u 1, u 2,..., u k Aktionen in π sind von den Knoten genannt π ist ausführbar in s 0 precedence, before, after und between constraints werden von der Ordnung erfüllt Falls w = (U, C) nicht primitiv ist, dann ist π eine Lösung, falls eine Sequenz von Dekompositionen existiert, so dass π eine Lösung für das entstandene primitive task network ist.
43 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Zwei Aufgaben: Instantiieren von Operatoren Dekomposition von Aufgaben Abstract HTN( s, U, C, O, M) i f (U, C) can be shown to have no s o l u t i o n then r e t u r n f a i l u r e e l s e i f U i s p r i m i t i v e then i f (U, C) has a s o l u t i o n then n o n d e t e r m i n i s t i c a l l y l e t π be any such s o l u t i o n r e t u r n π e l s e r e t u r n f a i l u r e e l s e choose a n o n p r i m i t i v e t a s k node u U a c t i v e { m M t a s k (m) i s u n i f i a b l e with t u } i f a c t i v e then n o n d e t e r m i n i s t i c a l l y choose any m active σ an mgu f o r m and t u t h a t renames a l l v a r i a b l e s o f m (U, C ) δ(σ(u, C), σ(u), σ(m)) (U, C ) apply c r i t i c (U C ) r e t u r n Abstract HTN( s, U, C, O, M) e l s e r e t u r n f a i l u r e
44 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Mögliche Erweiterungen für HTN Planer: Funktionssymbole Axiome Attached Procedures Mehr Erweiterungen: High-Level Effekte External Preconditions Zeit Planning Graphs
45 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Mögliche Erweiterungen für HTN Planer: Funktionssymbole Axiome Attached Procedures Mehr Erweiterungen: High-Level Effekte External Preconditions Zeit Planning Graphs
46 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Extended Goals: bad-loc in der DWR Domäne Anzahlbegrenzungen für Operatoren Längenbegrenzungen für Pläne
47 Total-Order Partial-Order Definitionen Beispiel Planen Erweiterungen und Extended Goals Danke für Ihre Aufmerksamkeit!
WS 06/07. Thema: Sandro Castronovo 16.11.2006
WS 06/07 in JSHOP und J Sandro Castronovo 16.11.2006 Überblick Erklärung Beispiel Überblick Einführung in vom Task zum Plan Beispiel SHOP Syntax und Semantik SHOP Algorithmus Beispiel mit konkreter Domäne
MehrVerkettete Datenstrukturen: Bäume
Verkettete Datenstrukturen: Bäume 1 Graphen Gerichteter Graph: Menge von Knoten (= Elementen) + Menge von Kanten. Kante: Verbindung zwischen zwei Knoten k 1 k 2 = Paar von Knoten (k 1, k 2 ). Menge aller
Mehr5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS)
5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS) Sommersemester 2009 Dr. Carsten Sinz, Universität Karlsruhe Datenstruktur BDD 2 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer:
MehrFinite Difference Method (FDM)
Finite Difference Method (FDM) home/lehre/vl-mhs-1-e/folien/vorlesung/2a_fdm/cover_sheet.tex page 1 of 15. p.1/15 Table of contents 1. Problem 2. Governing Equation 3. Finite Difference-Approximation 4.
MehrEntscheidungsverfahren für die Software-Verifikation. 4 - BDDs
Entscheidungsverfahren für die Software-Verifikation 4 - BDDs Datenstruktur BDD 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer: Booleschen Funktionen) Boolesche
MehrAlgorithmen und Datenstrukturen 1
Algorithmen und Datenstrukturen 1 6. Vorlesung Martin Middendorf / Universität Leipzig Institut für Informatik middendorf@informatik.uni-leipzig.de studla@bioinf.uni-leipzig.de Merge-Sort Anwendbar für
MehrLogische und funktionale Programmierung
Logische und funktionale Programmierung Vorlesung 11: Logikprogramme Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 19. Dezember 2016 1/55 WIEDERHOLUNG: HORN-KLAUSELN
MehrIsomorphie von Bäumen
Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................
Mehr5.3 Auswertung von Ausdrücken
5.3 Auswertung von Ausdrücken Funktionen in Java bekommen Parameter/Argumente als Input, und liefern als Output den Wert eines vorbestimmten Typs. Zum Beispiel könnte man eine Funktion i n t min ( i n
MehrAbstrakter Datentyp (ADT): Besteht aus einer Menge von Objekten, sowie Operationen, die auf diesen Objekten wirken.
Abstrakte Datentypen und Datenstrukturen/ Einfache Beispiele Abstrakter Datentyp (ADT): Besteht aus einer Menge von Objekten, sowie Operationen, die auf diesen Objekten wirken. Datenstruktur (DS): Realisierung
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (1) Darstellung Traversierung Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 441 Generalisierung von Bäumen Verallgemeinerung (von Listen zu Graphen)
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Bäume & Graphen Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr, o.n.v. Sommersemester
MehrKapitel 5 Mehrversionen-CC. MVCC: Annahmen & Eigenschaften
Kapitel 5 Mehrversionen-CC Bisher sind wir immer von der Grundannahme ausgegangen, dass jedes Datenobjekt x nur in einer Version vorliegt. Die Konsequenz daraus war, dass durch jedes Schreiben der Wert
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 6 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 16. Mai 2018 [Letzte Aktualisierung: 18/05/2018,
MehrAlgorithmen. Von Labyrinthen zu. Gerald Futschek
Von Labyrinthen zu Algorithmen Gerald Futschek Wie kommt man aus einem Labyrinth heraus? Labyrinth (griechisch: Haus der Doppelaxt, wahrscheinlich Knossos auf Kreta) Labrys Grundriss des Palastes von Knossos
Mehr3 Terme und Algebren 3.1 Terme
3 Terme und Algebren 3.1 Terme Mod - 3.1 In allen formalen Kalkülen benutzt man Formeln als Ausdrucksmittel. Hier betrachten wir nur ihre Struktur - nicht ihre Bedeutung. Wir nennen sie Terme. Terme bestehen
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Bäume & Graphen Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz http://www.inf.uni-konstanz.de/algo/lehre/ss08/info2 Sommersemester 2008 Sven Kosub
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 02. Mai 2017 [Letzte Aktualisierung: 10/07/2018,
MehrEin Fragment von Pascal
Ein Fragment von Pascal Wir beschreiben einen (allerdings sehr kleinen) Ausschnitt von Pascal durch eine kontextfreie Grammatik. Wir benutzen das Alphabet Σ = {a,..., z, ;, :=, begin, end, while, do} und
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES
MehrGraphen. Definitionen
Graphen Graphen werden häufig als Modell für das Lösen eines Problems aus der Praxis verwendet, wie wir im Kapitel 1 gesehen haben. Der Schweizer Mathematiker Euler hat als erster Graphen verwendet, um
MehrDas Steinerbaumproblem
Das Steinerbaumproblem Natalie Richert Fakultät für Elektrotechnik, Informatik und Mathematik, Universität Paderborn 4. Februar 008 / 3 Überblick Problembeschreibung Vorstellung von zwei Approimationsalgorithmen
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrClausthal C G C C G C. Informatik II Bäume. G. Zachmann Clausthal University, Germany Beispiele. Stammbaum.
lausthal Informatik II Bäume. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Beispiele Stammbaum. Zachmann Informatik - SS 0 Bäume Stammbaum Parse tree, Rekursionsbaum Unix file hierarchy
MehrPlanungsstrategien. Sven Tollmien WI 5011
Planungsstrategien Sven Tollmien WI 5011 Agenda Einleitung Grundlagen der Planung Klassische Planung STRIPS Regression Planbasiertes Planen POP Algorithmus Graphenbasiertes Planen Vergleich/Fazit Einleitung
MehrEinführung in die Theoretische Informatik
Einführung in die Theoretische Informatik Woche 5 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Zusammenfassung Zusammenfassung der letzten LV Jede binäre Operation hat maximal ein
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen
Mehr10. Übungsblatt zu Algorithmen I im SS 2010
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders G.V. Batz, C. Schulz, J. Speck 0. Übungsblatt zu Algorithmen I im SS 00 http//algo.iti.kit.edu/algorithmeni.php
MehrKapitel 2. Mathematische Grundlagen. Skript zur Vorlesung Einführung in die Programmierung
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 2 Mathematische Grundlagen Skript zur Vorlesung Einführung in die Programmierung im Wintersemester 2012/13 Ludwig-Maximilians-Universität
MehrFormale Systeme. Lineare Temporale Logik. Prof. Dr. Bernhard Beckert WS 2009/2010 KIT INSTITUT FÜR THEORETISCHE INFORMATIK
Formale Systeme Prof. Dr. Bernhard Beckert WS 2009/2010 KIT INSTITUT FÜR THEORETISCHE INFORMATIK KIT University of the State of Baden-Württemberg and National Large-scale Research Center of the Helmholtz
MehrResolution für die Aussagenlogik
Resolution für die Aussagenlogik Der Resolutionskakül ist ein Beweiskalkül, der auf Klauselmengen, d.h. Formeln in KNF arbeitet und nur eine Schlußregel besitzt. Der Resolution liegt die folgende Vorstellung
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 24. April 2019 [Letzte Aktualisierung: 24/04/2019,
MehrKapitel Andere dynamische Datenstrukturen
Institute of Operating Systems and Computer Networks Algorithms Group Kapitel 4.8-4.11 Andere dynamische Datenstrukturen Algorithmen und Datenstrukturen Wintersemester 2017/2018 Vorlesung#13, 12.12.2017
MehrAlgorithmen für schwierige Probleme
Algorithmen für schwierige Probleme Britta Dorn Wintersemester 2011/12 24. November 2011 Farbkodierung Beispiel Longest Path Longest Path gegeben: G = (V, E) und k N. Frage: Gibt es einen einfachen Pfad
MehrKapitel Andere dynamische Datenstrukturen
Institute of Operating Systems and Computer Networks Algorithms Group Kapitel 4.8-4.11 Andere dynamische Datenstrukturen Algorithmen und Datenstrukturen Wintersemester 2018/2019 Vorlesung#15, 18.12.2018
MehrGraphen und Bäume. A.1 Graphen
Algorithmen und Datenstrukturen 96 A Graphen und Bäume A.1 Graphen Ein gerichteter Graph (auch Digraph) G ist ein Paar (V, E), wobei V eine endliche Menge und E eine Relation auf V ist, d.h. E V V. V heißt
Mehr1 Der Baum. Informatik I: Einführung in die Programmierung 11. Bäume. Bäume in der Informatik. Bäume in der Informatik - Definition.
1 Informatik I: Einführung in die Programmierung 11. Bäume e e Albert-Ludwigs-Universität Freiburg Bernhard Nebel 17. November 2017 17. November 2017 B. Nebel Info I 3 / 33 Bäume in der Informatik Bäume
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2009 11. Vorlesung Uwe Quasthoff Universität Leipzig Institut für Informatik quasthoff@informatik.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2007 11. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen Safe
MehrAlgorithmen und Datenstrukturen SS09. Foliensatz 17. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik
Foliensatz 17 Michael Brinkmeier Technische Universität Ilmenau Institut für Theoretische Informatik Sommersemester 2009 TU Ilmenau Seite 1 / 69 TU Ilmenau Seite 2 / 69 Graphtraverse Wie bei Bäumen, ist
MehrStackmaschine; Speicheradressierung
Stackmaschine; Speicheradressierung Erweiterung um globalen Speicher (Heap, Halde) pro Speicherplatz eine Zahl. Notation ist als Array SP [0..]. Zugriff mittels Adresse (Index): eine Zahl i.a.: Zahlen
MehrVorlesung Diskrete Strukturen Ordnungsrelationen
Vorlesung Diskrete Strukturen Ordnungsrelationen Bernhard Ganter WS 2009/10 Ein Spiegelei zubereiten... Was muss man tun, wenn man ein Spiegelei brät? HE Herd einschalten PH Pfanne auf den Herd stellen
MehrAbschnitt 3: Mathematische Grundlagen
Abschnitt 3: Mathematische Grundlagen 3. Mathematische Grundlagen 3.1 3.2 Induktion und Rekursion 3.3 Boolsche Algebra Peer Kröger (LMU München) Einführung in die Programmierung WS 14/15 48 / 155 Überblick
MehrVon Labyrinthen zu Algorithmen
Von Labyrinthen zu Gerald Futschek Wie kommt man aus einem Labyrinth heraus? Labyrinth (griechisch: Haus der Doppelaxt, wahrscheinlich Knossos auf Kreta) Labrys Grundriss des Palastes von Knossos 1 Fragestellungen
MehrÜberblick. 3. Mathematische Grundlagen 3.1 Mengen und Abbildungen 3.2 Induktion und Rekursion 3.3 Boolsche Algebra
Überblick 3. Mathematische Grundlagen 3.1 Mengen und Abbildungen 3.2 3.3 Boolsche Algebra Peer Kröger (LMU München) Einführung in die Programmierung WS 14/15 72 / 179 Beweisprinzip der vollständigen Induktion
MehrÜberblick. Ausdrücke. 3. Mathematische Grundlagen 3.1 Mengen und Abbildungen 3.2 Induktion und Rekursion 3.3 Ausdrücke
Überblick 3. Mathematische Grundlagen 3.1 Mengen und Abbildungen 3.2 Induktion und Rekursion 3.3 Ausdrücke 3 Mathematische Grundlagen 3 Ausdrücke Einf. Progr. (WS 08/09) 148 Ausdrücke Betrachten wir folgende
MehrOrdnungsrelationen auf Mengen
Ordnungsrelationen auf Mengen Eine (partielle) Ordnungsrelation oder kurz Ordnung O auf einer Menge M ist eine Relation, die reflexiv, antisymmetrisch und transitiv ist. Beispiel: M = { 1, 2, 3 }, O =
MehrAbschnitt 3: Mathematische Grundlagen
Abschnitt 3: Mathematische Grundlagen 3. Mathematische Grundlagen 3.1 Mengen und Abbildungen 3.2 Induktion und Rekursion 3.3 Ausdrücke 3 Mathematische Grundlagen Einf. Progr. (WS 08/09) 102 Überblick 3.
MehrEinführung in die Theoretische Informatik. Inhalte der Lehrveranstaltung. Definition (Boolesche Algebra) Einführung in die Logik
Zusammenfassung Einführung in die Theoretische Informatik Woche 5 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Zusammenfassung der letzten LV Jede binäre Operation hat maximal ein
MehrAlgorithmen. Von Labyrinthen zu. Gerald Futschek
Von Labyrinthen zu Algorithmen Gerald Futschek Wie kommt man aus einem Labyrinth (griechisch: Haus der Doppelaxt, wahrscheinlich Knossos auf Kreta) Labyrinth heraus? Labrys Grundriss des Palastes von Knossos
MehrUniversität Koblenz-Landau Fachbereich Informatik Klausur KI-Programmierung WS 2007/2008. Jun.-Prof. Dr. B. Beckert. 21.
Name, Vorname: Matrikel-Nr.: Studiengang: Universität Koblenz-Landau Fachbereich Informatik Klausur KI-Programmierung WS 2007/2008 Jun.-Prof. Dr. B. Beckert 21. Februar 2008 Informatik (Diplom) Computervisualistik
MehrTheoretische Informatik 1 WS 2007/2008. Prof. Dr. Rainer Lütticke
Theoretische Informatik 1 WS 2007/2008 Prof. Dr. Rainer Lütticke Inhalt der Vorlesung Grundlagen - Mengen, Relationen, Abbildungen/Funktionen - Datenstrukturen - Aussagenlogik Automatentheorie Formale
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Listen & Bäume Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 SvenKosub@uni-konstanzde Sprechstunde: Freitag, 14:00-15:00 Uhr, onv Sommersemester
MehrFormale Grundlagen der Informatik 1 Kapitel 19. Syntax & Semantik
Formale Grundlagen der Informatik 1 Kapitel 19 & Frank Heitmann heitmann@informatik.uni-hamburg.de 23. Juni 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/25 Motivation Die ist eine Erweiterung
MehrGeordnete Mengen. Eine Relation heißt Ordnung oder Ordnungsrelation, wenn sie reflexiv, transitiv und antisymmetrisch ist.
Geordnete Mengen Eine Relation heißt Ordnung oder Ordnungsrelation, wenn sie reflexiv, transitiv und antisymmetrisch ist. Ist eine Ordnungsrelation auf eine geordnete Menge., dann nennt man Die Namensgebung
Mehr4. OBDDs und Modellüberprüfung
4. OBDDs und Modellüberprüfung OBDD Ordered Binary Decision Diagrams Geordnete binäre Entscheidungsdiagramme Binäres Entscheidungsdiagramm: in der einfachsten Form ein binärer Entscheidungsbaum, in dem
MehrTechnische Universität Berlin Fakultät IV - Elektrotechnik und Informatik. Schriftlicher Test - Teilklausur 1
1. Teilklausur GKI Seite 1 von 5 Technische Universität Berlin Fakultät IV - Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen WS 2014/2015 Albayrak, Fricke (AOT) Opper,
MehrMathematik für Naturwissenschaftler I WS 2009/2010
Mathematik für Naturwissenschaftler I WS 2009/2010 Lektion 8 10. November 2009 Kapitel 2. Konvergenz von Folgen und Reihen Definition 27. Eine (reelle bzw. komplexe) Zahlenfolge ist eine R- bzw. C-wertige
Mehr1 Beispiele für Graphen
Beispiele für Graphen 1 Beispiele für Graphen 1. Kreuzungsproblem : 3 Häuser sollen mit einem Wasser-, Gas- und Elektroanschluß verbunden werden, wobei keine Kreuzung entstehen darf. Abbildung 1: Kreuzungsproblem
MehrSudoku ist NP-vollständig
Sudoku ist NP-vollständig Seminar über Algorithmen und Komplexität Freie Universität Berlin Institut für Informatik SS 007 Sarah Will 8.07.007 Einführung Sudoku ist ein japanisches Logikrätsel und hat
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
Mehr1 Der Baum. Informatik I: Einführung in die Programmierung 11. Bäume. Bäume in der Informatik. Bäume in der Informatik - Definition.
1 Informatik I: Einführung in die Programmierung 11. Bäume e e Albert-Ludwigs-Universität Freiburg Bernhard Nebel 13. November 2015 13. November 2015 B. Nebel Info I 3 / 33 Bäume in der Informatik Bäume
MehrGeordnete Mengen. Eine Relation R A A heißt Ordnung oder Ordnungsrelation, wenn sie reflexiv, transitiv und antisymmetrisch ist.
Mathematik I für Informatiker Ordnungsrelationen p. 1 Geordnete Mengen Eine Relation R A A heißt Ordnung oder Ordnungsrelation, wenn sie reflexiv, transitiv und antisymmetrisch ist. Ist R eine Ordnungsrelation
MehrProf. S. Krauter Kombinatorik. WS Blatt03.doc
Prof. S. Krauter Kombinatorik. WS 05-06 Blatt03.doc Zahlpartitionen: 1. Gegeben ist folgende Gleichung: x 1 + x 2 + x 3 + + x s = n. a) Wie viele verschiedene Lösungen besitzt diese Gleichung mit Werten
MehrGTI. Hannes Diener. 18. Juni. ENC B-0123,
GTI Hannes Diener ENC B-0123, diener@math.uni-siegen.de 18. Juni 1 / 32 Als Literatur zu diesem Thema empfiehlt sich das Buch Theoretische Informatik kurzgefasst von Uwe Schöning (mittlerweile in der 5.
MehrLösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
MehrEinführung in die Theoretische Informatik
Einführung in die Theoretische Informatik Maximilian Haslbeck Fabian Mitterwallner Georg Moser David Obwaller cbr.uibk.ac.at Zusammenfassung der letzten LVA Definition Eine Registermaschine (RM) R ist
MehrKapitel IV Minimale Spannbäume
Kapitel IV Minimale Spannbäume 1. Grundlagen Ein Graph G = (V, E) besteht aus einer Menge V von Knoten und einer Menge E von Kanten. Wir werden nur endliche Knoten- (und damit auch Kanten-) Mengen betrachten.
MehrLösungen zur Vorlesung Berechenbarkeit und Komplexität
Lehrstuhl für Informatik 1 WS 009/10 Prof. Dr. Berthold Vöcking 0.0.010 Alexander Skopalik Thomas Kesselheim Lösungen zur Vorlesung Berechenbarkeit und Komplexität. Zulassungsklausur Aufgabe 1: (a) Worin
Mehr4. Lernen von Entscheidungsbäumen
4. Lernen von Entscheidungsbäumen Entscheidungsbäume 4. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse
MehrGrundlagen der Theoretischen Informatik
1 Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg Wintersemester 2014/15 2 Notation für Wörter w a is die Anzahl der Vorkommen von
MehrAlgorithmische Bioinformatik 1
Algorithmische Bioinformatik 1 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Algorithmen
MehrÜberblick. 3. Mathematische Grundlagen 3.1 Mengen und Abbildungen 3.2 Boolsche Algebra 3.3 Induktion und Rekursion
Überblick 3. Mathematische Grundlagen 3.1 Mengen und Abbildungen 3.2 Boolsche Algebra 3.3 Peer Kröger (LMU München) Einführung in die Programmierung WS 16/17 92 / 708 Beweisprinzip der vollständigen Induktion
Mehr7. Vorlesung Netzwerkcodierung
7. Sommersemester 2010 Anwendungen von Netzwerkcodierung Content distribution, P2P Netzwerke, Microsoft Secure Content Distribution (MSCD) aka Avalanche Netzwerkcodierung für drahtlose Netzwerke / Analoge
MehrLogische Datenstrukturen
Lineare Listen Stapel, Warteschlangen Binärbäume Seite 1 Lineare Liste Begriffe first Funktion: sequentielle Verkettung von Datensätzen Ordnungsprinzip: Schlüssel Begriffe: first - Anker, Wurzel; Adresse
MehrVollständigkeit. Klassifikation von Operationen
Vollständigkeit Definition Konstruktormenge := mininale Menge von Operationen, mit denen man alle Elemente (=Instanzen) des ADT konstruieren kann. Für Stack ist das die Menge {create, push} Definition
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
MehrLogik und Künstliche Intelligenz
Logik und Künstliche Intelligenz Kurze Zusammenfassung (Stand: 14. Januar 2010) Prof. Dr. V. Stahl Copyright 2007 by Volker Stahl. All rights reserved. V. Stahl Logik und Künstliche Intelligenz Zusammenfassung
MehrGrundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik:
MehrDisMod-Repetitorium Tag 4
DisMod-Repetitorium Tag 4 Endliche Automaten, Reguläre Sprachen und Kontextfreie Grammatiken 22. März 2018 1 Endliche Automaten Definition DFA Auswertungen Äquivalenzrelationen Verschmelzungsrelation und
MehrEin Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist.
Graphen Definition: Ein Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist. Begriffe: Gerichteter Graph: Alle Kanten haben eine Richtung vom Anfangsknoten
MehrKapitel 3: Ehrenfeucht-Fraïssé Spiele
Kapitel 3: Ehrenfeucht-Fraïssé Spiele Kapitel 3: Ehrenfeucht-Fraïssé Spiele Abschnitt 3.0: In diesem Kapitel werden Ehrenfeucht-Fraïssé-Spiele (kurz: EF-Spiele) eingeführt. Diese liefern ein Werkzeug,
MehrSatz 172 Jedes vergleichsbasierte Sortierverfahren benötigt im worst-case mindestens n ld n + O(n) Vergleiche und hat damit Laufzeit Ω(n log n).
2.6 Vergleichsbasierte Sortierverfahren Alle bisher betrachteten Sortierverfahren sind vergleichsbasiert, d.h. sie greifen auf Schlüssel k, k (außer in Zuweisungen) nur in Vergleichsoperationen der Form
MehrChristian Rieck, Arne Schmidt
Institute of Operating Systems and Computer Networks Algorithms Group Algorithmen und Datenstrukturen Wintersemester 207/208 Übung#5, 2.2.207 Christian Rieck, Arne Schmidt Bäume Satz Jeder gerichtete Baum
MehrGraphen Jiri Spale, Algorithmen und Datenstrukturen - Graphen 1
Graphen 27 Jiri Spale, Algorithmen und Datenstrukturen - Graphen Motivation Einsatz: Berechnung von Entfernungen Auffinden von Zyklen in Beziehungen Ermittlung von Verbindungen Zeitmanagement Konzept:
MehrGrundbegriffe der Informatik Tutorium 8
Grundbegriffe der Informatik Tutorium 8 Tutorium Nr. 16 Philipp Oppermann 22. Dezember 2014 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
Mehr9. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Musterlösung
MehrGliederung. 1. Kurzeinstieg 2. Warum ist die Semantik so wichtig? 3. OWL 4. GO 5. Übersetzung 6. Zusammenfassung 7. Quellen
Gliederung Gliederung 1. Kurzeinstieg 2. Warum ist die Semantik so wichtig? 3. OWL 4. GO 5. Übersetzung 6. Zusammenfassung 7. Quellen Marcus Lechner - Institut für Informatik Seite 1 Kurzeinstieg 1. Kurzeinstieg
MehrEin Turnierplan mit fünf Runden
Mathematik I für Informatiker Graphen p. 1 Ein Turnierplan mit fünf Runden c b a c b a c b a c b a c b a d e d e d e d e d e Mathematik I für Informatiker Graphen p. 2 Definition: Graph Ein (schlichter)
MehrWS 20013/14. Diskrete Strukturen
WS 20013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
MehrLösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil II Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University of Leipzig 07.
MehrEin fundamentales mathematisches Beweisprinzip p ist die vollständige Induktion: Sei p : Falls
Beweisprinzip der vollständigen Induktion Ein fundamentales mathematisches Beweisprinzip p ist die vollständige Induktion: Sei p : Falls ein totales Prädikat. 1. p(0) (Induktionsanfang) und 2. für beliebiges
Mehr3. Relationen Erläuterungen und Schreibweisen
3. Relationen Eine Relation ist allgemein eine Beziehung, die zwischen Dingen bestehen kann. Relationen im Sinne der Mathematik sind ausschließlich diejenigen Beziehungen, bei denen stets klar ist, ob
MehrHeute. Algorithmen für Ad-hoc- und Sensornetze. Erinnerung: MAC-Layer. Erinnerung: Färbungen. Definition
Heute Algorithmen für Ad-hoc- und Sensornetze VL 0 Eine kurze Geschichte vom Färben (Teil ) Medium Access Control / Färbungen, Teil kurze Wiederholung Schöner verteilter Färbungsalgorithmus Markus Völker
MehrAlgorithmen, Datenstrukturen und Programmieren II SS 2001
Algorithmen, Datenstrukturen und Programmieren II SS 2001 1. InfixToPostfixConverter: Üblicherweise werden mathematische Ausdrücke in infix-notation geschrieben, d.h. der Operator steht zwischen den Operanden,
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrResearch Collection. Backward stochastic differential equations with super-quadratic growth. Doctoral Thesis. ETH Library. Author(s): Bao, Xiaobo
Research Collection Doctoral Thesis Backward stochastic differential equations with super-quadratic growth Author(s): Bao, Xiaobo Publication Date: 2009 Permanent Link: https://doi.org/10.3929/ethz-a-005955736
MehrKlausur Algorithmentheorie
Prof. Dr. G. Schnitger Frankfurt, den 13.02.2009 Klausur Algorithmentheorie WS 2008/2009 Name: Vorname: Studiengang: BITTE GENAU LESEN Die Klausur besteht aus 4 Aufgaben, in denen maximal 100 Punkte erreicht
Mehr